برچسب Sandy Ludosky

Pluralsight – Building RAG Applications with LangChain 2026-8

دوره Building RAG Applications with LangChain. این دوره آموزشی به توسعه‌دهندگان می‌آموزد که چگونه با استفاده از چارچوب LangChain، خطوط لوله Retrieval-Augmented Generation یا همان RAG را از صفر تا سطح آماده برای محیط تولید (Production-Ready) طراحی و پیاده‌سازی کنند. روش Retrieval-Augmented Generation یا RAG یکی از الگوهای کلیدی برای ساخت اپلیکیشن‌های هوش مصنوعی است که پاسخ‌های دقیق و مستند تولید می‌کنند. مدل‌های زبان بزرگ یا همان Large Language Models بسیار قدرتمند هستند، اما محدودیت‌هایی نیز دارند و کارایی آن‌ها به اطلاعاتی که به آن‌ها دسترسی دارند وابسته است. در این دوره آموزشی با عنوان ساخت اپلیکیشن‌های RAG با LangChain، شرکت‌کنندگان مهارت لازم برای طراحی، ساخت و بهینه‌سازی خطوط لوله RAG آماده برای محیط تولید را کسب می‌کنند. ابتدا فراگیران با مفاهیم اصلی معماری RAG، پردازش اسناد، امبدینگ‌ها (Embeddings) و بازیابی اطلاعات آشنا می‌شوند. در مرحله بعد، تکنیک‌های پیشرفته بازیابی از جمله تبدیل پرس‌وجو (Query Transformation)، بازیابی چندمرحله‌ای (Multi-Step Retrieval)، بازیابی‌کننده‌های خودپرس‌وجو (Self-Querying Retrievers) و فیلتر کردن فراداده‌ها (Metadata Filtering) به منظور بهبود کیفیت بازیابی بررسی خواهند شد. در نهایت، نحوه بهینه‌سازی کامل خطوط لوله RAG از طریق مدیریت مؤثر متن زمینه (Context)، مهندسی پرامپت (Prompt Engineering) و ساخت جریان‌های کاری قابل اعتماد برای تولید پاسخ آموزش داده می‌شود. در پایان این دوره، شرکت‌کنندگان مهارت‌ها و دانش لازم را برای ساخت اپلیکیشن‌های مقیاس‌پذیر، دقیق و کاربردی RAG با استفاده از LangChain خواهند داشت.

LinkedIn – OpenAI API for Python Developers 2025-2

OpenAI API for Python Developers دوره آموزشی ادغام API های قدرتمند OpenAI در برنامه ها می باشد که توسط آکادمی آنلاین LinkedIn منتشر شده است. این دوره به توسعه دهندگان پایتون راهنمای عملی برای ادغام API های قدرتمند OpenAI در برنامه ها ارائه می دهد که شامل تولید متن، ایجاد تصویر و اتوماسیون مبتنی بر هوش مصنوعی می شود. مفاهیم کلیدی مانند کار با مدل‌های GPT، پاسخ‌های تنظیم دقیق، مدیریت احراز هویت API، بهینه‌سازی اعلان‌ها و استفاده از جاسازی‌ها برای وظایف پردازش زبان طبیعی (NLP) را بررسی می‌کند. توسعه دهندگان همزمان با یادگیری بهترین شیوه ها برای محدود کردن نرخ، مدیریت هزینه و استفاده اخلاقی از هوش مصنوعی، چت ربات های مبتنی بر هوش مصنوعی، تولیدکنندگان محتوا و دستیاران هوشمند خواهند ساخت.